detr_fine_tune_face_detection_final

This model is a fine-tuned version of facebook/detr-resnet-50 on the None dataset. It achieves the following results on the evaluation set:

• Loss: 1.5483
• Map: 0.0896
• Map 50: 0.2201
• Map 75: 0.0577
• Map Small: 0.0135
• Map Medium: 0.2111
• Map Large: 0.5514
• Mar 1: 0.0464
• Mar 10: 0.1332
• Mar 100: 0.1565
• Mar Small: 0.0503
• Mar Medium: 0.3582
• Mar Large: 0.6417
• Map Face: 0.0896
• Mar 100 Face: 0.1565

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

• learning_rate: 5e-05
• train_batch_size: 16
• eval_batch_size: 8
• seed: 42
• optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
• lr_scheduler_type: cosine
• num_epochs: 70

Training results

Training Loss	Epoch	Step	Validation Loss	Map	Map 50	Map 75	Map Small	Map Medium	Map Large	Mar 1	Mar 10	Mar 100	Mar Small	Mar Medium	Mar Large	Map Face	Mar 100 Face
No log	1.0	42	2.2587	0.0016	0.0071	0.0005	0.0003	0.0069	0.0121	0.0069	0.0241	0.0696	0.0129	0.1844	0.3042	0.0016	0.0696
No log	2.0	84	2.0191	0.0033	0.0139	0.0006	0.0015	0.0138	0.0323	0.0123	0.0438	0.0941	0.0335	0.1770	0.4847	0.0033	0.0941
No log	3.0	126	1.9421	0.0037	0.0131	0.0010	0.0007	0.0179	0.0503	0.0174	0.0549	0.1142	0.0277	0.2773	0.5125	0.0037	0.1142
No log	4.0	168	2.0437	0.0043	0.0159	0.0009	0.0004	0.0244	0.1330	0.0150	0.0612	0.0971	0.0182	0.2598	0.4125	0.0043	0.0971
No log	5.0	210	1.8809	0.0072	0.0247	0.0014	0.0012	0.0497	0.2098	0.0241	0.0782	0.1073	0.0291	0.2703	0.4139	0.0072	0.1073
No log	6.0	252	1.7736	0.0155	0.0513	0.0032	0.0052	0.0723	0.3004	0.0299	0.0913	0.1189	0.0290	0.2871	0.5389	0.0155	0.1189
No log	7.0	294	1.8361	0.0074	0.0269	0.0018	0.0029	0.0357	0.2684	0.0250	0.0833	0.1214	0.0329	0.2859	0.5389	0.0074	0.1214
No log	8.0	336	1.9524	0.0203	0.0709	0.0049	0.0028	0.0904	0.3060	0.0297	0.0892	0.1246	0.0310	0.3035	0.5472	0.0203	0.1246
No log	9.0	378	1.8088	0.0108	0.0381	0.0027	0.0017	0.0527	0.2928	0.0309	0.0836	0.0973	0.0145	0.2535	0.4792	0.0108	0.0973
No log	10.0	420	1.8055	0.0114	0.0447	0.0018	0.0017	0.0714	0.3399	0.0275	0.0788	0.1010	0.0307	0.2098	0.5111	0.0114	0.1010
No log	11.0	462	1.8327	0.0148	0.0505	0.0036	0.0013	0.0761	0.2867	0.0299	0.0912	0.1201	0.0330	0.2785	0.5431	0.0148	0.1201
2.0797	12.0	504	1.7469	0.0187	0.0669	0.0043	0.0050	0.0697	0.3512	0.0311	0.0877	0.1155	0.0232	0.2812	0.5708	0.0187	0.1155
2.0797	13.0	546	1.7011	0.0487	0.1411	0.0202	0.0038	0.1546	0.3696	0.0375	0.1015	0.1174	0.0265	0.2906	0.5306	0.0487	0.1174
2.0797	14.0	588	1.7023	0.0256	0.0763	0.0115	0.0019	0.0960	0.4014	0.0355	0.1045	0.1284	0.0336	0.3117	0.5500	0.0256	0.1284
2.0797	15.0	630	1.7465	0.0408	0.1184	0.0202	0.0039	0.1002	0.4049	0.0361	0.1003	0.1194	0.0243	0.3051	0.5361	0.0408	0.1194
2.0797	16.0	672	1.6885	0.0401	0.1122	0.0203	0.0038	0.1031	0.4602	0.0380	0.1057	0.1283	0.0330	0.3004	0.5944	0.0401	0.1283
2.0797	17.0	714	1.7199	0.0435	0.1272	0.0217	0.0061	0.0992	0.4094	0.0352	0.0999	0.1267	0.0345	0.2996	0.5556	0.0435	0.1267
2.0797	18.0	756	1.6823	0.0267	0.0777	0.0141	0.0019	0.0993	0.4289	0.0371	0.1031	0.1211	0.0310	0.2828	0.5653	0.0267	0.1211
2.0797	19.0	798	1.6596	0.0513	0.1414	0.0252	0.0036	0.1428	0.4175	0.0385	0.1069	0.1235	0.0302	0.3012	0.5486	0.0513	0.1235
2.0797	20.0	840	1.7050	0.0408	0.1162	0.0230	0.0043	0.1163	0.4419	0.0356	0.1017	0.1185	0.0270	0.2824	0.5722	0.0408	0.1185
2.0797	21.0	882	1.6977	0.0509	0.1389	0.0240	0.0051	0.1227	0.4411	0.0356	0.1021	0.1314	0.0369	0.3113	0.5611	0.0509	0.1314
2.0797	22.0	924	1.6888	0.0271	0.0755	0.0160	0.0018	0.1302	0.4718	0.0360	0.0997	0.1247	0.0264	0.3035	0.6014	0.0271	0.1247
2.0797	23.0	966	1.6670	0.0409	0.1151	0.0226	0.0073	0.1219	0.4685	0.0368	0.1065	0.1316	0.0382	0.2906	0.6236	0.0409	0.1316
1.7751	24.0	1008	1.6699	0.0569	0.1487	0.0293	0.0035	0.1482	0.4912	0.0406	0.1134	0.1398	0.0405	0.3230	0.6125	0.0569	0.1398
1.7751	25.0	1050	1.6130	0.0551	0.1522	0.0309	0.0043	0.1262	0.5052	0.0416	0.1124	0.1384	0.0405	0.3180	0.6083	0.0551	0.1384
1.7751	26.0	1092	1.6404	0.0673	0.1905	0.0347	0.0066	0.1480	0.4537	0.0409	0.1079	0.1291	0.0317	0.3164	0.5667	0.0673	0.1291
1.7751	27.0	1134	1.6252	0.0732	0.1907	0.0490	0.0084	0.1617	0.4829	0.0414	0.1160	0.1338	0.0388	0.3078	0.5903	0.0732	0.1338
1.7751	28.0	1176	1.6430	0.0559	0.1567	0.0279	0.0104	0.1218	0.4644	0.0422	0.1140	0.1300	0.0372	0.2961	0.5903	0.0559	0.1300
1.7751	29.0	1218	1.6761	0.0546	0.1508	0.0252	0.0068	0.1120	0.4682	0.0381	0.1037	0.1147	0.0247	0.2715	0.5764	0.0546	0.1147
1.7751	30.0	1260	1.6031	0.0595	0.1624	0.0309	0.0107	0.1254	0.4829	0.0423	0.1209	0.1416	0.0454	0.3230	0.5847	0.0595	0.1416
1.7751	31.0	1302	1.6491	0.0795	0.2093	0.0447	0.0135	0.1771	0.4801	0.0427	0.1199	0.1450	0.0438	0.3395	0.5986	0.0795	0.1450
1.7751	32.0	1344	1.6390	0.0552	0.1524	0.0268	0.0062	0.1333	0.4946	0.0422	0.1148	0.1388	0.0429	0.3125	0.6069	0.0552	0.1388
1.7751	33.0	1386	1.6529	0.0477	0.1424	0.0143	0.0086	0.1167	0.4273	0.0380	0.1058	0.1349	0.0496	0.2922	0.5417	0.0477	0.1349
1.7751	34.0	1428	1.6241	0.0700	0.1736	0.0452	0.0090	0.1543	0.5083	0.0440	0.1194	0.1476	0.0436	0.3500	0.6056	0.0700	0.1476
1.7751	35.0	1470	1.6150	0.0721	0.1852	0.0452	0.0102	0.1517	0.4926	0.0422	0.1220	0.1458	0.0465	0.3324	0.6056	0.0721	0.1458
1.6391	36.0	1512	1.6547	0.0619	0.1656	0.0299	0.0072	0.1644	0.4713	0.0404	0.1162	0.1382	0.0440	0.3160	0.5722	0.0619	0.1382
1.6391	37.0	1554	1.5910	0.0835	0.2006	0.0546	0.0081	0.2254	0.4918	0.0433	0.1257	0.1505	0.0418	0.3711	0.5958	0.0835	0.1505
1.6391	38.0	1596	1.6001	0.0698	0.1796	0.0445	0.0091	0.1815	0.5019	0.0408	0.1269	0.1512	0.0449	0.3641	0.5972	0.0698	0.1512
1.6391	39.0	1638	1.5997	0.0686	0.1765	0.0434	0.0062	0.1799	0.4952	0.0413	0.1211	0.1459	0.0406	0.3457	0.6278	0.0686	0.1459
1.6391	40.0	1680	1.6136	0.0759	0.1796	0.0499	0.0085	0.2056	0.5230	0.0442	0.1262	0.1491	0.0426	0.3559	0.6194	0.0759	0.1491
1.6391	41.0	1722	1.5827	0.0621	0.1583	0.0362	0.0053	0.1804	0.4997	0.0424	0.1232	0.1483	0.0415	0.3570	0.6153	0.0621	0.1483
1.6391	42.0	1764	1.5631	0.0643	0.1648	0.0399	0.0072	0.1706	0.5094	0.0437	0.1260	0.1504	0.0448	0.3543	0.6208	0.0643	0.1504
1.6391	43.0	1806	1.5556	0.0861	0.2074	0.0621	0.0116	0.2201	0.5221	0.0437	0.1284	0.1507	0.0459	0.3492	0.6319	0.0861	0.1507
1.6391	44.0	1848	1.5544	0.0865	0.2145	0.0600	0.0126	0.2206	0.5040	0.0461	0.1286	0.1478	0.0432	0.3453	0.6292	0.0865	0.1478
1.6391	45.0	1890	1.5748	0.0843	0.2034	0.0574	0.0107	0.2282	0.5170	0.0457	0.1288	0.1535	0.0479	0.3570	0.6264	0.0843	0.1535
1.6391	46.0	1932	1.5640	0.0812	0.1940	0.0599	0.0135	0.2052	0.5309	0.0459	0.1269	0.1514	0.0444	0.3625	0.6125	0.0812	0.1514
1.6391	47.0	1974	1.5666	0.0846	0.1963	0.0684	0.0130	0.2140	0.5395	0.0469	0.1306	0.1543	0.0443	0.3691	0.6361	0.0846	0.1543
1.56	48.0	2016	1.5571	0.0801	0.1937	0.0564	0.0129	0.2129	0.5308	0.0464	0.1329	0.1508	0.0465	0.3531	0.6125	0.0801	0.1508
1.56	49.0	2058	1.5672	0.0870	0.2052	0.0584	0.0127	0.2084	0.5463	0.0470	0.1311	0.1518	0.0456	0.3570	0.6236	0.0870	0.1518
1.56	50.0	2100	1.5450	0.0806	0.1978	0.0536	0.0126	0.1990	0.5452	0.0469	0.1297	0.1529	0.0490	0.3512	0.625	0.0806	0.1529
1.56	51.0	2142	1.5417	0.0822	0.1991	0.0587	0.0144	0.1913	0.5375	0.0469	0.1309	0.1527	0.0488	0.3500	0.6264	0.0822	0.1527
1.56	52.0	2184	1.5502	0.0806	0.1953	0.0548	0.0147	0.1895	0.5289	0.0455	0.1305	0.1536	0.0514	0.3500	0.6125	0.0806	0.1536
1.56	53.0	2226	1.5570	0.0757	0.1913	0.0508	0.0130	0.1753	0.5296	0.0441	0.1290	0.1486	0.0467	0.3426	0.6125	0.0757	0.1486
1.56	54.0	2268	1.5683	0.0860	0.2003	0.0586	0.0135	0.2093	0.5374	0.0444	0.1298	0.1543	0.0497	0.3520	0.6361	0.0860	0.1543
1.56	55.0	2310	1.5487	0.0857	0.2092	0.0563	0.0143	0.2071	0.5482	0.0456	0.1328	0.1552	0.0504	0.3539	0.6347	0.0857	0.1552
1.56	56.0	2352	1.5526	0.0894	0.2180	0.0584	0.0151	0.2155	0.5455	0.0451	0.1349	0.1567	0.0533	0.3512	0.6361	0.0894	0.1567
1.56	57.0	2394	1.5486	0.0887	0.2123	0.0626	0.0153	0.2072	0.5588	0.0454	0.1352	0.1570	0.0526	0.3543	0.6361	0.0887	0.1570
1.56	58.0	2436	1.5516	0.0933	0.2270	0.0622	0.0151	0.2129	0.5474	0.0457	0.1323	0.1563	0.0512	0.3559	0.6375	0.0933	0.1563
1.56	59.0	2478	1.5513	0.0954	0.2297	0.0641	0.0149	0.2240	0.5468	0.0465	0.1330	0.1605	0.0547	0.3637	0.6347	0.0954	0.1605
1.4687	60.0	2520	1.5486	0.0857	0.2142	0.0549	0.0133	0.1999	0.5531	0.0460	0.1323	0.1572	0.0518	0.3594	0.6319	0.0857	0.1572
1.4687	61.0	2562	1.5460	0.0862	0.2115	0.0604	0.0136	0.2035	0.5409	0.0454	0.1318	0.1561	0.0496	0.3621	0.6292	0.0862	0.1561
1.4687	62.0	2604	1.5465	0.0895	0.2105	0.0631	0.0142	0.2136	0.5487	0.0464	0.1332	0.1572	0.0508	0.3609	0.6375	0.0895	0.1572
1.4687	63.0	2646	1.5506	0.0887	0.2120	0.0591	0.0141	0.2126	0.5495	0.0465	0.1327	0.1571	0.0523	0.3574	0.6319	0.0887	0.1571
1.4687	64.0	2688	1.5470	0.0913	0.2201	0.0634	0.0145	0.2192	0.5506	0.0464	0.1330	0.1584	0.0507	0.3648	0.6431	0.0913	0.1584
1.4687	65.0	2730	1.5513	0.0898	0.2193	0.0597	0.0142	0.2114	0.5489	0.0465	0.1328	0.1558	0.0494	0.3586	0.6389	0.0898	0.1558
1.4687	66.0	2772	1.5462	0.0907	0.2214	0.0616	0.0142	0.2140	0.5538	0.0462	0.1336	0.1569	0.0503	0.3605	0.6389	0.0907	0.1569
1.4687	67.0	2814	1.5494	0.0896	0.2198	0.0578	0.0137	0.2106	0.5516	0.0462	0.1332	0.1563	0.0502	0.3570	0.6431	0.0896	0.1563
1.4687	68.0	2856	1.5489	0.0894	0.2188	0.0575	0.0135	0.2107	0.5506	0.0463	0.1328	0.1556	0.0497	0.3566	0.6403	0.0894	0.1556
1.4687	69.0	2898	1.5483	0.0897	0.2206	0.0582	0.0136	0.2112	0.5514	0.0464	0.1333	0.1565	0.0504	0.3578	0.6417	0.0897	0.1565
1.4687	70.0	2940	1.5483	0.0896	0.2201	0.0577	0.0135	0.2111	0.5514	0.0464	0.1332	0.1565	0.0503	0.3582	0.6417	0.0896	0.1565

Framework versions

• Transformers 4.47.0
• Pytorch 2.5.1+cu121
• Datasets 3.3.1
• Tokenizers 0.21.0